Platform For AI:PAI-BladeとTorchScriptのカスタムC ++ 演算子を使用してRetinaNetモデルを最適化する

制限事項

手順

ステップ1: TorchScriptカスタムC ++ 演算子を含むPyTorchモデルを作成する

PAI-Bladeは、TorchScriptカスタムC ++ 演算子とシームレスに統合されています。 この手順では、演算子を使用してRetinaNetモデルの後処理ネットワークを構築する方法について説明します。 TorchScriptカスタムC ++ 演算子の詳細については、「拡張TORCHSCRIPT WITH custom C ++ operators」をご参照ください。 このトピックでは、RetinaNetモデルの後処理ネットワークのプログラムロジックは、NVIDIAのオープンソースコミュニティから提供されています。 詳細については、「retinanet-examples」をご参照ください。 この例では、コアコードを使用して、カスタム演算子を開発および実装する方法を示します。

1. サンプルコードをダウンロードし、ダウンロードしたパッケージを解凍します。

   wget -nv https://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/tutorials/retinanet_example/retinanet-examples.tar.gz -O retinanet-examples.tar.gz
   tar xvfz retinanet-examples.tar.gz 1>/dev/null 

2. コンパイルTorchScriptカスタムC ++ 演算子。

   PyTorchは、カスタム演算子をコンパイルするための3つのメソッドを提供します。CMakeによる構築、JITコンパイルによる構築、Setuptoolsによる構築です。 詳細については、「カスタムC ++ オペレーターによるTORCHSCRIPTの拡張」をご参照ください。 これらの3つのコンパイル方法は、さまざまなシナリオに適しています。 必要に応じてメソッドを選択できます。 この例では、操作を簡略化するために、JITコンパイル方法を使用しています。 次のサンプルコードに例を示します。

   import torch.utils.cpp_extension
   import os
   codebase="retinanet-examples"
   sources=['csrc/extensions.cpp',
            'csrc/cuda/decode.cu',
            'csrc/cuda/nms.cu',]
   sources = [os.path.join(codebase,src) for src in sources]
   torch.utils.cpp_extension.load(
       name="custom",
       sources=sources,
       build_directory=codebase,
       extra_include_paths=['/usr/local/TensorRT/include/', '/usr/local/cuda/include/', '/usr/local/cuda/include/thrust/system/cuda/detail'],
       extra_cflags=['-std=c++14', '-O2', '-Wall'],
       extra_cuda_cflags=[
           '-std=c++14', '--expt-extended-lambda',
           '--use_fast_math', '-Xcompiler', '-Wall,-fno-gnu-unique',
           '-gencode=arch=compute_75,code=sm_75',],
       is_python_module=False,
       with_cuda=True,
       verbose=False,
   )

   上記のコードを実行すると、コンパイル後に生成されたcustom.soファイルがretinanet-examplesディレクトリに保存されます。

3. カスタムC ++ 演算子を使用して、RetinaNetモデルの後処理ネットワークを構築します。

   簡単にするために、RetinaNet.forwardをadapter_forwardに置き換えます。 adapter_forwardは、decode_cudaおよびnms_cudaカスタムC ++ 演算子を使用して、後処理ネットワークを構築します。 次のサンプルコードに例を示します。

   import os
   import torch
   from typing import Tuple, Dict, List, Optional
   codebase="retinanet-examples"
   torch.ops.load_library(os.path.join(codebase, 'custom.so'))
   
   decode_cuda = torch.ops.retinanet.decode
   nms_cuda = torch.ops.retinanet.nms
   
   # The main part of the code written for this method is the same as the code of RetinaNet.forward. However, the program logic of the post-processing network is realized by using the decode_cuda and nms_cuda custom operators. 
   def adapter_forward(self, batched_inputs: Tuple[Dict[str, torch.Tensor]]):
       images = self.preprocess_image(batched_inputs)
       features = self.backbone(images.tensor)
       features = [features[f] for f in self.head_in_features]
       cls_heads, box_heads = self.head(features)
       cls_heads = [cls.sigmoid() for cls in cls_heads]
       box_heads = [b.contiguous() for b in box_heads]
   
       # Build the post-processing network. 
       strides = [images.tensor.shape[-1] // cls_head.shape[-1] for cls_head in cls_heads]
       decoded = [
           decode_cuda(
               cls_head,
               box_head,
               anchor.view(-1),
               stride,
               self.test_score_thresh,
               self.test_topk_candidates,
           )
           for stride, cls_head, box_head, anchor in zip(
               strides, cls_heads, box_heads, self.cell_anchors
           )
       ]
   
       # Implement non-maximum suppression. 
       decoded = [torch.cat(tensors, 1) for tensors in zip(decoded[0], decoded[1], decoded[2])]
       return nms_cuda(decoded[0], decoded[1], decoded[2], self.test_nms_thresh, self.max_detections_per_image)
   
   from detectron2.modeling.meta_arch import retinanet
   
   # Replace RetinaNet.forward with adapter_forward. 
   retinanet.RetinaNet.forward = adapter_forward

ステップ2: TorchScriptモデルのエクスポート

Detectron2は、Facebook AI Research (FAIR) によって構築されたオープンソースのトレーニングフレームワークです。 Detectron2は、オブジェクト検出およびセグメンテーションアルゴリズムを実装し、柔軟性、拡張性、および構成可能です。 Detectron2の柔軟性により、TorchScriptモデルを通常の方法でエクスポートすると、エクスポートが失敗したり、間違ったエクスポート結果が返されたりする可能性があります。 TorchScriptモデルを確実にデプロイできるように、Detectron2ではTracingAdapterまたはscripting_with_instancesメソッドを呼び出してTorchScriptモデルをエクスポートできます。 詳細については、「Usage」をご参照ください。

import torch
import numpy as np

from torch import Tensor
from torch.testing import assert_allclose

from detectron2 import model_zoo
from detectron2.export import scripting_with_instances
from detectron2.structures import Boxes
from detectron2.data.detection_utils import read_image

# Call the scripting_with_instances method to export the RetinaNet model. 
def load_retinanet(config_path):
    model = model_zoo.get(config_path, trained=True).eval()
    # Set a new cell_anchors attributes to PyTorch model.
    model.cell_anchors = [c.contiguous() for c in model.anchor_generator.cell_anchors]
    fields = {
        "pred_boxes": Boxes,
        "scores": Tensor,
        "pred_classes": Tensor,
    }
    script_model = scripting_with_instances(model, fields)
    return model, script_model

# Download a sample image. 
# wget http://images.cocodataset.org/val2017/000000439715.jpg -q -O input.jpg
img = read_image('./input.jpg')
img = torch.from_numpy(np.ascontiguousarray(img.transpose(2, 0, 1)))

# Run the model and compare the latency before and after you export the model. 
pytorch_model, script_model = load_retinanet("COCO-Detection/retinanet_R_50_FPN_3x.yaml")
with torch.no_grad():
    batched_inputs = [{"image": img.float()}]
    pred1 = pytorch_model(batched_inputs)
    pred2 = script_model(batched_inputs)

assert_allclose(pred1[0], pred2[0])

ステップ3: PAI-Bladeを使用してモデルを最適化する

1. PAI-bladeのBlade. optimizeメソッドを呼び出します。

   モデルを最適化するには、blade.optimizeメソッドを呼び出します。 次のサンプルコードに例を示します。 blade.optimizeメソッドの詳細については、「PyTorchモデルの最適化」をご参照ください。

   import os
   import blade
   import torch
   
   # Load the dynamic-link library of custom C++ operators. 
   codebase="retinanet-examples"
   torch.ops.load_library(os.path.join(codebase, 'custom.so'))
   
   blade_config = blade.Config()
   blade_config.gpu_config.disable_fp16_accuracy_check = True
   
   test_data = [(batched_inputs,)] # The test data used for a PyTorch model is a list of tuples of tensors. 
   
   with blade_config:
       optimized_model, opt_spec, report = blade.optimize(
       script_model,  # The TorchScript model exported in the previous step. 
       'o1',  # The optimization level of PAI-Blade. In this example, the optimization level is o1. 
       device_type='gpu',  # The type of the device on which the model is run. In this example, the device is GPU. 
       test_data=test_data,  # The given set of test data, which facilitates optimization and testing. 
       )

2. 最適化レポートを表示し、最適化モデルを保存します。

   PAI-Bladeを使用して最適化されたモデルは、依然としてTorchScriptモデルです。 最適化が完了したら、次のコードを実行して最適化レポートを表示し、最適化モデルを保存できます。

   # Display the optimization report. 
   print("Report: {}".format(report))
   # Save the optimized model. 
   torch.jit.save(script_model, 'script_model.pt')
   torch.jit.save(optimized_model, 'optimized.pt')

   次のサンプルコードは、最適化レポートの例を示しています。 レポートのパラメーターの詳細については、「最適化レポート」をご参照ください。

   Report: {
     "software_context": [
       {
         "software": "pytorch",
         "version": "1.8.1+cu102"
       },
       {
         "software": "cuda",
         "version": "10.2.0"
       }
     ],
     "hardware_context": {
       "device_type": "gpu",
       "microarchitecture": "T4"
     },
     "user_config": "",
     "diagnosis": {
       "model": "unnamed.pt",
       "test_data_source": "user provided",
       "shape_variation": "undefined",
       "message": "Unable to deduce model inputs information (data type, shape, value range, etc.)",
       "test_data_info": "0 shape: (3, 480, 640) data type: float32"
     },
     "optimizations": [
       {
         "name": "PtTrtPassFp16",
         "status": "effective",
         "speedup": "3.92",
         "pre_run": "40.72 ms",
         "post_run": "10.39 ms"
       }
     ],
     "overall": {
       "baseline": "40.64 ms",
       "optimized": "10.41 ms",
       "speedup": "3.90"
     },
     "model_info": {
       "input_format": "torch_script"
     },
     "compatibility_list": [
       {
         "device_type": "gpu",
         "microarchitecture": "T4"
       }
     ],
     "model_sdk": {}
   }

3. 元のモデルと最適化されたモデルのパフォーマンスをテストします。

   次のサンプルコードは、モデルのパフォーマンスをテストする方法の例を示しています。

   import time
   
   @torch.no_grad()
   def benchmark(model, inp):
       for i in range(100):
           model(inp)
       torch.cuda.synchronize()
       start = time.time()
       for i in range(200):
           model(inp)
       torch.cuda.synchronize()
       elapsed_ms = (time.time() - start) * 1000
       print("Latency: {:.2f}".format(elapsed_ms / 200))
   
   # Test the latency of the original model. 
   benchmark(script_model, batched_inputs)
   # Test the latency of the optimized model. 
   benchmark(optimized_model, batched_inputs)

   このパフォーマンステストの次の結果は参照のためです:

   Latency: 40.65
   Latency: 10.46

   前述の結果は、両方のモデルが200回実行された後、元のモデルの平均待ち時間は40.65 ms、最適化されたモデルの平均待ち時間は10.46 msであることを示しています。

ステップ4: 最適化されたモデルをロードして実行する

1. オプション: 試用期間中に、次の環境変数設定を追加して、認証の失敗によるプログラムの予期しない停止を防止します。

   export BLADE_AUTH_USE_COUNTING=1

2. PAI-Bladeを使用するように認証されます。

   export BLADE_REGION=<region>
   export BLADE_TOKEN=<token> 

   ビジネス要件に基づいて、次のパラメーターを設定します。

   • <region>: PAI-Bladeを使用するリージョンです。 PAI-BladeユーザーのDingTalkグループに参加して、PAI-Bladeを使用できるリージョンを取得できます。

   • <token>: PAI-Bladeを使用するために必要な認証トークン。 PAI-BladeユーザーのDingTalkグループに参加して、認証トークンを取得できます。

3. 最適化されたモデルをロードして実行します。

   PAI-Bladeを使用して最適化されたモデルは、依然としてTorchScriptモデルです。 したがって、環境を変更せずに最適化モデルをロードできます。

   import blade.runtime.torch
   import detectron2
   import torch
   import numpy as np
   import os
   from detectron2.data.detection_utils import read_image
   from torch.testing import assert_allclose
   
   # Load the dynamic-link library of custom C++ operators. 
   codebase="retinanet-examples"
   torch.ops.load_library(os.path.join(codebase, 'custom.so'))
   
   script_model = torch.jit.load('script_model.pt')
   optimized_model = torch.jit.load('optimized.pt')
   
   img = read_image('./input.jpg')
   img = torch.from_numpy(np.ascontiguousarray(img.transpose(2, 0, 1)))
   
   # Run the model and compare the latency before and after you export the model. 
   with torch.no_grad():
       batched_inputs = [{"image": img.float()}]
       pred1 = script_model(batched_inputs)
       pred2 = optimized_model(batched_inputs)
   
   assert_allclose(pred1[0], pred2[0], rtol=1e-3, atol=1e-2)